تبادلِ آمار بک تست ها!

شبیه سازی مونت کارلو چیست؟

«شبیه‌سازی معاملات مونت‌کارلو» یا Monte Carlo Trading Simulation یک روش آماری هوشمند برای ارزیابی عملکرد احتمالی یک سیستم معاملاتی است.

به جای تکیه بر نتایج تاریخی خطی، این روش هزاران سناریو‌ی تصادفی را تولید می‌کند تا ببیند در آینده ممکن است سیستم شما چقدر سود یا زیان دهد.


:light_bulb: مفهوم پایه‌ای مونت‌کارلو

در علم آمار، شبیه‌سازی مونت‌کارلو یعنی استفاده از اعداد تصادفی و توزیع‌های احتمالی برای تخمین نتیجه‌ی فرآیندهای پیچیده.

در معاملات، این «فرآیند پیچیده» همان دنباله‌ی سود و زیان‌ها (trades) است.


:chart_decreasing: چرا در تحلیل معاملات مهم است؟

فرض کنیم شما یک استراتژی دارید که:

  • در داده‌های گذشته 60٪ برد و 40٪ باخت داشته؛

  • میانگین برد شما 2 برابر باخت است.

اگر به‌صورت ترتیبی تست کنید، ممکن است نتایج خوب باشند،

اما در واقعیت ترتیب معاملات تصادفی است — ممکن است چند باخت سنگین پشت‌سرهم بیاید.

مونت‌کارلو کمک می‌کند ببینید اگر ترتیب و شرایط بازار، تصادفی‌تر شوند

نتیجه‌ی کلی حساب شما چگونه تغییر می‌کند.


:gear: نحوه‌ی انجام شبیه‌سازی

  1. جمع‌آوری داده‌های معاملات (برد، باخت، بازده هر معامله).

  2. انتخاب تعداد تکرار شبیه‌سازی (مثلاً 10,000 بار).

  3. در هر تکرار:

    • ترتیب معاملات را تصادفی می‌کند؛

    • نتایج را جمع می‌زند تا Equity Curve (منحنی حساب) جدید بسازد.

  4. با تجمیع هزاران منحنی، شاخص‌هایی مثل:

    • میانگین سود،

    • بدترین افت حساب (Maximum Drawdown)،

    • احتمال ورشکستگی،

    • توزیع احتمالی بازده کل

    به‌دست می‌آید.


:bar_chart: نتیجه چه کمکی می‌کند؟

  • تخمین احتمال از دست دادن بیشتر از X٪ از حساب.

  • برآورد دامنه‌ی سود و زیان واقعی در آینده.

  • انتخاب ریسک مناسب بر اساس «پایداری استراتژی».

  • مقایسه‌ی دو استراتژی بدون سوگیری ترتیب معاملات.


:bullseye: مثال ساده:

فرض کنید 100 معامله داشته‌اید.

از بین آنها 60 سود و 40 زیان با نتایج میانگین مشخص.

شبیه‌سازی مونت‌کارلو هزار بار ترتیب این 100 معامله را تغییر می‌دهد و منحنی موجودی شما را رسم می‌کند.

اگر در بیشتر شبیه‌سازی‌ها موجودی نهایی مثبت باشد، استراتژی شما پایدار است؛

اگر برخی شبیه‌سازی‌ها ورشکسته شوند، باید در مدیریت ریسک یا پوزیشن‌سایزینگ تجدید نظر کنید.


:magnifying_glass_tilted_left: کاربردهای رایج برای معامله‌گران حرفه‌ای

  • تست پایداری سیستم قبل از اجرای واقعی

  • تعیین حجم بهینه معامله (position size optimization)

  • بررسی احتمال افت حساب و بازیابی آن

  • ارزیابی تأثیر تغییر پارامترها (مانند استاپ لاس، ریسک درصدی و غیره)

هوش مصنوعی عالیه ، امیدوارم همیشه توی استراتژی ها و سیستم هاتون به عنوان دستیار استفاده کنید

من استفاده کردم ولی نه در این مورد الان ازش پرسیدم میگه باید این داده ها رو حتما بدی که انجامش بدم

  1. نوع معامله: خرید (Long) یا فروش (Short)
  2. تاریخ ورود
  3. قیمت ورود
  4. تاریخ خروج
  5. قیمت خروج
  6. حجم معامله (لات)
  7. نتیجه معامله (سود/زیان به دلار)
  8. نوع نماد (مثلاً MNQ

شما این داده ها رو چطوری استخراج کردید از بک تستهاتون هیستوری رو کپی می کنید یا چی؟

مثلا فراز برای استخراج این طوری جواب داد به من

*باسلام و احترام

در حال حاضر چنین امکانی در فراز فراهم نمی‌باشد.

قابلیت دانلود چارت به این معناست که می‌توانید دیتای نمودار (قیمت و حجم تا ۵۰٬۰۰۰ کندل آخر در هر تایم‌فریم به‌جز تایم‌فریم ثانیه) را دریافت کنید. این دیتا با فرمت‌های CSV و PRN ارائه می‌شود و قابلیت استفاده در نرم‌افزارهایی مانند متاتریدر، ادونس گت و داینامیک تریدر را دارد.*

در اشتراک چنددستگاهه امکان دانلود چارت به‌صورت تصویری یا چارت آماده وجود ندارد و فایل دانلودی صرفاً شامل دیتای عددی قیمت و حجم (OHLC) است

من دستیار رو وقتی پرامپتش رو مینوشتم اول استراتژی رو تعریف کردم بهش دو روز طول کشید (سرمایه گذاری برا ربات کردن استراتژی ) بعدش داشتم ازش به عنوان حافظه های بک تست های مختلف استفاده میکردم ، در یک سری ۱۲۱ معامله جمع نشده ، طی دو بک تست از زمان های مختلف چارت ، بعد خودش مونت کارلو رو پیشنهاد داد و انجام داد ، راستش الان فهمیدم همچین چیزی میخواد ، اما هنگام ژورنال کردن معاملات بعد یکسال این عمل شدنیه ، چون توی ژورنال ما همه چی رو مینویسیم تقریبا

اوکی ممنون از به اشتارک گذاریتون همچنین روشهای دیگه ای رو هم از هوش مصنوعی پرسیدم که توضیح داد. قبل از قطع نت من چند تا هوش مصنوعی رایگان مخصوص ترید پیدا کرده بودم ولی هیچ وقت به فکر م نرسیده بود که برای بک تست ازشون استفاده کنم همیشه نمودار چارتها رو میدادم تحلیل می کرد برام اگر دسمون به نت رسید دوباره پیداشون می کنم اینجا به اشتراک میذارم. ممنون

1 لایک کرده

من موفق شدم با هوش مصنوعی داده هایی رو که از بک تست گیری استخراج کرده بودم بررسی کنم مونت کارلو رو هم برام درآورد و چندین نوع بررسی دیگه انجام داد نوشت که استراتژیت خیلی خوب هست و جزو ۱۰ درصد استراتژی های برتر حساب میشه میدونستم خوب هست ولی تاییدیه هوش مصنوعی دلگرمی بیشتری به من داد.

دوستان من طبق پست یکی از دوستان که از روش مونت کارلو و به کارگیر یاون برای تجزیه و تحلیل بک تست با هوش مصنوعی گفت با چت جی پی لایت پولی یه سری آمارهایی راجع به بک تست سال ۲۰۲۵ استراتژیم دادم به هوش مصنوعی و تجزیه و تحلیلهای جالبی رو انجام داد. در ادامه و در قسمتهای بعدی این تایپیک تجزیه و تحلیل با روشهای مختلف دیگر رو هم منتشر می کنم شما هم می تونید به روش خودتون از هوش مصنوعی برا یتجزیه و تحلیل بک تستهاتون و شبیه سازی اون برای سال بعد استفاده کنید من این موارد رو انجام میدم و در پستهای بعدی در موردش بیشتر صحبت می کینم.

. جمع کل معاملات (کل دوره)

تعداد معاملات کل:

  • سود 1:1 = 4 9

  • سود 1:2 = 89

  • ضرر = 111

کل معاملات = 249 مع امله

پی پ‌ها:

  • سود 1:1 = 26 07 پیپ

  • سود 1:2 = 7 702 پیپ

  • مجموع سود = 1 0309 پیپ

  • مجموع ضرر = 5676 پیپ

سو د خالص کل:

4633 پیپ

میانگین سو د هر معامله:

4633 ÷ 249 ≈ 18.6پیپ


2.Win Rate(نرخ برد)

تعداد معاملات برنده = 49 + 89 = 138

WinRate=138249WinRa t e=249138

55.4٪


3.Profit Factor (نسبت سود به ضرر)

PF=Total ProfitTotal LossPF=Total LossTo tal Profit

PF=103095676 PF=5676103 09

1.82

این مقدار برای یک سیستم دی ترید خوب محسوب می‌شود.


4. میانگین سود معاملات

می انگین سود معاملات برنده:

10309138≈74.7 پیپ1 3 810309≈74.7 پیپ

میانگین ضرر معاملات:

5676111≈51.1 پیپ 1115676≈51.1 پیپ

نسبت سود به ضرر واقعی:

74. 7/51.1≈1.4674.7/51.1≈1.46


5 . عملکرد ماهان ه (سود خالص پ یپ )

فوریه: +9 73

مار س : +366

آ و ریل: +821

م ه: +446

ژ وئ ن: −57

جولا ی: +47

آ گ وست: +277

س پتامبر: +447

اکتبر: 0

نوامبر: +974

دس ا مبر: +248

ماه منفی واقعی: 1 م اه (ژوئن)


6.Maximum Draw d own(تقریبی)

با استفاده از توا ل ی ماهانه:

بیشترین افت سر م ایه از سقف قبلی:

از +2606 پیپ به +2549 پیپ

Maximum Drawdown ≈ 57 پیپ

در مقیاس ماهانه این افت بسیار کوچک است.

(افت واقعی در سطح معامله احتمالاً بزرگ‌ تر است).


7. بازده مورد انتظار (Expected Value)

EV=WinRate×AvgWin−LossRate×AvgLoss EV =WinRate× A vgWinLossRate×AvgLoss

LossRate = 44.6%

EV≈ 0.554×74.7−0.446×51.1 EV ≈0.554×74.7−0.446× 51.1

+18.5 پ یپ د ر هر معامله


8 . میا نگین م عاملات

کل معام لات = 249

تعداد ماه = 11

م یانگین :

22.6 معامله در ما ه

اگر ماه 20 روز معام لاتی باشد:

1.1 معامل ه در روز


9. انحراف معیار بازده ماهانه

تقریباً:

≈ 400 پیپ

این یعنی نوسا ن سود م اهانه نسبتاً زیاد است، که برای ا ستر اتژی اس کالپ شاخص طبیعی است.


1 0. احتمال ور شکستگ ی (تقریبی)

با ف رض:

  • ریسک ثابت در هر معامله

  • WinRate = 55%

  • Profit factor=

احتمال ورشکستگی (تقریبی) در این استراتژی چقدر است؟

در ادامه احتمال ورشکستگی (Ri sk o f Ruin) را بر اساس داده‌های واقعی استراتژی شما محاسبه و تفسیر می‌کنم.

چون شما داده‌های واقعی ۲ ۴۹ مع امله را داده‌اید، می‌توانیم یک برآورد کاملاً نزدیک به واقعی ت انجا م دهیم.


1. ور ودی‌های ل ازم برای فرمو لRisk o f Ruin

از محاسبات قبلی:

  • Wi n Rate = 55.4%

  • Loss Rate = 44.6%

  • نسبت سود به ضرر واقعی® = 1.46

  • EVهر معامله = +18.5 پیپ (مثبت → سیستم سودده)

  • Profit Factor = 1.82

ریسک ورودی (ضرر در هر معامله نسبت به سرم ایه) را شما مشخص نکرده‌ اید، پس مح اسبه را برای سه حا لت استان دارد انجام می‌دهم:

  • ریسک ۱٪ سرمایه در هر معامله

  • ریسک ۲٪

  • ریسک ۵٪


2. فرم ول استان داردRisk of Ruin

وقتی بازده هر معامله مثل سیستم شما مثبت باشد، فرمول ساده می‌شود:

Risk of Ruin=(1−Edge1+Edge)Bankroll/Ri skPerT rad eRis k of Ruin=(1+Edge1−Edge)Bankr oll/Ri skPerTrade

که:

Ed ge=WinRat e×R−LossRateEdge=WinRate×RL ossRate

محاسبهEdgeبا مقادیر واقعی شما:

Edge =0.554×1.4 6− 0.446Ed ge=0.554×1.46−0.446

Edge=0.809−0.446=0.363Edge=0.809−0.446=0. 363

د ر نتیجه:

1−Edge1+Edge= 0.6371.363 ≈0.4671+Edge1−Edge=1.3630. 637≈0. 467

این مقدار “ فاکتور ورشک ستگی” است.


3. محا سبه احتمال ورشکستگی برای ریسک‌های مخت لف

حالت ۱: ریسک ۱٪ در هر معام له

Bankroll/RiskP erTrade = 1 00

Risk=0.467100 Risk=0. 467100

0. 0000000002

احتمال ورشکستگی: تق ریباً صفر


حا لت ۲: ریسک ۲٪ در هر معامله

B ankroll/R iskPerT rade = 50

Risk=0.46750Ris k=0.467 50

0.00003

احت مال ورشکستگی: سه صدم درصد

(تقریبا ً ص فر)


حا لت ۳: ریسک ۵٪ در هر معا مله

Bankroll/RiskPerTrade = 20

Risk=0.46720Risk=0.46720

0 .002

احتمال ورشکستگی: ۰.۲٪

یعنی از هر ۵۰۰ ن فر با همین سیستم و ریسک ۵٪، فق ط ۱ نفر ممکن است ورشکسته شود.


ح الت ۴: ریسک ۱۰ ٪ (بسیار پرخط ر و غیر است اندارد)

Bankroll/RiskPerTrade = 10

Risk=0.46710R isk=0.467 10

0.017

احتمال ورشکستگی: ۱.۷٪

هنوز هم نسبتاً پایین است ا ما این ریسک در حساب واقعی غیر منطقی است .


4. نت یجه نهایی (مهم)

با توجه ب ه داده‌های واقعی شما:

اگر ریسک شم ا ۱٪ تا ۲٪ ب اشد:

احت مال ورشکستگ ی = صفر تا ن زدیک صفر

این سیستم ت قریباً ورشکس ت‌ناپذیر اس ت.

ا گر ریسک شم ا ۵٪ باشد:

احتمال ورشکستگی: ۰.۲٪

(هنوز ک م، اما ممکن )

اگر ر یسک شما ۱۰٪ باشد:

احتمال ور شکستگی: ۱.۷٪

(کاملاً خطرناک)


5. چرا احتمال ورشکستگی استراتژی شما بسیار پایین است؟

سه د لیل:

  1. WinRateبالاتر از ۵۰٪ است

  2. نسبت سود به ضرر = 1.46 (یعنی بردها بزرگ‌تر از ب اخت‌ ها)

  3. Profit Factor = 1.82 که عالی است

  4. Edgeمثبت = 0.36 (عدد بسیار خوب)

این مشخصات فقط در ۱۰٪ استراتژی‌های واقعی بازار دیده می‌شود.

این هم شبیه سازی نتایج بک تست ۲۰۲۵ استراتژی من به روش مونت کارلو توسط چت جی پی لایت

#۱)شبیه‌سازی مونت‌کارلو با۱۰٬۰۰۰مسیر

خروجی شبیه‌سازی شما:

- **میانگین سود نهایی حساب:** `4632.26 پیپ `

- **میانه سود نهایی حساب:** `4636.50 پیپ`

- **انحراف معیار سود نهایی:** `989.18 پیپ`

- **کمترین سود نهایی در بین مسیرها:** `862.50 پیپ`

- **بیشترین سود نهایی در بین مسیرها:** `8662.10 پیپ`

## تفسیر

این یعنی اگر همین استراتژی را در تعداد زیادی مسیر تصادفی با همان توزیع برد/باخت اجر ا کنیم:

- خروجی معمولی سیستم حدود **4630 تا 4640 پیپ سو د** است.

- نوسان نتایج وجود دارد، اما **پراکندگی شدید نیست**.

- حتی در بدترین مسیرهای شبیه‌سازی‌شده هم سیستم هنوز **مثبت** مانده است، که نشانه‌ی خو بی است .

-–

#۲)توزیع سو د نهایی حساب

## برداشت آماری از توزیع

با توجه به نتایج:

- **میانگین** نزدیک به **4632 پیپ**

- **میانه** نزدیک به **4636 پیپ**

این نزدیکیِ میانگین و میانه نشان می‌دهد که توزیع سود نهایی:

- تقریباً **متقارن** است

- یا دست‌کم * * چولگی شدید** ندا رد

## تفسیر کاربردی

یعنی در بیشتر مسیرهای ممکن، سیستم شما به سود می‌رسد و نتایج خیلی دور از مقدا ر مرکزی نیستند.

-–

#۳) ا حتمال ا فت سرمایه‌ها ی خاص

نتیجه شبیه‌سازی:

- **احتمال افت سرمایه۲۰٪:** `0.13%`

- **احتمال افت سرما یه ۳۰ ٪ :** `0.0%`

## تفسیر

### افت۲۰٪

احتما لش **بسیار کم** است؛ حدود:

\[

0 . 1 3 \% = 13 \text{ در } 10000

\]

یعنی فقط در حدود **۱۳مسیر از۱۰٬ ۰ ۰ ۰ مسیر** چنین ا فتی دیده شده است.

# # # افت۳۰٪

در این شبیه‌سازی:

- **عملاً مشاهده نشده**

یعنی با فرض حفظ همین رفتار آماری، افت ۳۰ ٪ برای این سیستم **بسیار بعید** است.

-–

#۴)بهترین سایز پوزیشن با فرمولKelly

خروجیKe lly :

- * * K e l ly Fraction = 0.24 8 9 **

ی عنی:

\[

Kel l y \approx 24.89\%

\]

## تفسیر بسیار مهم

این مقدار یعنی اگر از نظر ریاضی و بدون ملاحظه‌ی روان‌شناسی و افت سرمایه بخواهید حداکثر رشد را هدف بگیرید، باید حدود **24.9 ٪از ر مای ه ** را در هر معامله در معرض ریسک قرار دهید.

اما در عمل:

- این عدد برای ترید واقعی **خیلی بزرگ و پرریسک** است.

-Kell yکامل معمولاً باعث نوسان شدید و افت سرمایه سنگین می‌شود.

## پیشنهاد عملی

به‌جایKe llyکامل ، معمولاً از **Fractional Kell y ** استفاده می‌شود:

- * *Half Kelly** ≈ `12.45%`

- **Quarter Kelly** ≈ `6.22%`

برای ترید واقعی، معمولاً حتی این هم زیاد است و اغلب تریدرها چیزی در بازه‌ی :

- **۱٪تا۳٪**

- یا حداکثر **۵٪ **

ر ا تر جیح می ‌دهند، مخصو صا ً در استراتژی‌های فعال مثلMNQ.

-–

# جمع‌بندی نهایی

# # نتایج شبیه‌سازی

- ** میانگین سود نهایی:** 4632.26 پیپ

- ** میانه سود نهایی:** 4636.50 پیپ

- * *ا نحراف معیار:** 989.18 پیپ

- **حداقل سود نهایی:** 86 2.50 پیپ

- **حداکثر سود نهایی:* * 8 66 2. 10 پیپ

## احتمال ا فت سرمایه

- **افت۲۰٪:** 0.13 %

- **افت۳۰٪:**0.0%

##Kelly

- **Kellyکامل:** 24.89%

شما چه دیتاهایی ور در بک تست گیری هاتون استخراج می کنید. من فکر می کنم که بک تست گیری رو خیلی کلی انجام میدیم من شروع کردم به بک تست گیری چهارساله از استراتژیم آماری که استخراج می کنم شامل موارد زیر هست:

۱- وین ریت

۲-تعداد ریسک به ریواردهای یک به یک و یک به دو و ریسک به ریواردهای ۳ و بالاتر

۳-تعداد پیپهای معاملات یک به یک و یک به دو و تعداد پیپهای معاملات ضرر ده

۴- تعداد روزهای فاقد ستاپ

۵- تعداد بیشترین ضرر متوالی

تعداد بای و سل معاملات سودده یک به یک و یک به دو و ضررها.

1 لایک کرده

دوستان یه نکته. معمولا بک تستها رو چیز ی که دیدم برای یک سال یا ۱۰۰ تا معامله می گیرن. من برای استراتژیم ۲۰۲۵ رو بک تست گرفته بودم خوب بود به این فکر افتادم که برای چهار سال از ۲۰۲۲ تا ۲۰۲۵ بک تست بگیرم برای سال ۲۰۲۲ هم خوب بود ولی الان در ۹ ماه ۲۰۲۳ که بک تست گرفتم می بینم که خیلی در این سال فرق کرده و نتایج ضعیفتر شده می خوام بگم که باید به یک سال بک تست کفایت نکرد و یه دوره ۴ یا ۵ ساله رو در نظر بگیریم تا تمام ضعف و قوتهای احتمالی استراتژی مون در عمل خودش رو نشون میده